Analytics translator, een nieuwe rol voor Marketeers?

Sjoerd Koornstra en Sergey Pletnev

Nu we steeds meer worden geconfronteerd met groeiende databases en lappen tekst, neemt de behoefte aan data-analyse toe. Dit fenomeen wordt versterkt door digital communication en e-commerce.  Bij veel middelgrote bedrijven komt dit op het bord van de marketeer. De data komen vaak uit verschillende databases, met verschillende structuren en andere technische complexiteiten. Ondernemingen worstelen enerzijds met het koppelen van diverse databronnen en anderzijds met het analyseren van de data ten bebehoeve van hun marketingproblemen. Maar met een creatieve en pragmatische mindset en met technieken uit de data science kan dit worden opgelost. Het merendeel van de analyses wordt uitgevoerd met machine learning-tools door data scientists. Die scientists zijn nodig om analyse-modellen te bouwen. Data scientists kunnen analyseren maar zijn doorgaans minder sterk in de interpretatie en het maken van de link met de business. Volgens McKinsey is er daarom een enorme behoefte aan analytics translators, de link tussen data science en business. Met andere woorden de link tussen marketing en data sience. McKinsey schreef erover in het artikel ‘Analytics translator: The new must-have role’, gepubliceerd in Harvard Business Review (februari 2018).

Kritische rol
Om beter te begrijpen wat translators zijn, is het belangrijk om eerst te weten wat ze niet zijn. Translators zijn noch data-architecten noch data engineers. Ze hoeven geen technische kennis te hebben van programmeren of modeling. Translators spelen wèl een kritische rol bij het verbinden van de technische kennis van data engineers en data scientists met de operationele kennis van de business, bijvoorbeeld marketing en sales. Translators zorgen ervoor dat de insights uit geavanceerde analytics vertaald worden in impact op de business.

Translators werken nauw samen met de directies om de zakelijke kant en prioritering hiervan te begrijpen. Translators vertalen vervolgens met hun kennis van AI en analytics de zakelijke vraag in een briefing voor de data professionals. Zij op hun beurt produceren modellen en oplossingen. Vervolgens zorgen de translators ervoor dat uit deze modellen, oplossingen en insights worden gedestilleerd die de business kan begrijpen en waarop die kan handelen.

Domeinkennis is de belangrijkste vaardigheid die een translator moet hebben. Hij of zij moet expert zijn in de branche, discipline en bedrijf om de waarde van AI en analytics te plaatsen in de business-context.  Ze moeten de key operationele metrics van de business begrijpen en de impact op winst, omzet, consumer retention, etc. Daarnaast moeten ze een sterke vaardigheid bezitten in kwantitatieve analyses en gestructureerde probleemoplossing. Ze hoeven niet per se in staat te zijn om zelf kwantitatieve modellen te bouwen. Ze moeten wel weten welke modelvarianten beschikbaar zijn (bijvoorbeeld deep learning versus logistic regression) en voor welk businessprobleem ze kunnen worden toegepast. Translators moeten in staat zijn om de resultaten te interpreteren, potentiële modelfouten te ontdekken (zoals overfitting) en de data scientists uit te dagen. In het schema is de rol van de translators verder uitgewerkt.

De analytics translator (volgens McKinsey)
Bij elke stap van het analyse-initiatief speelt de translator een belangrijke rol.

Stap 1: Identificatie en prioritering van business issues
Rol translator: werkt samen met business leaders om business issues vast te stellen en te prioriteren die geschikt zijn om met analytics op te lossen.

Stap 2: Data verzamelen en voorbereiden
Rol translator: helpt de bedrijfsdata te identificeren die nodig zijn om de insights te produceren.

Stap 3: De analyse-engine bouwen
Rol translator: zorgt ervoor dat de analytics-bijdrage het business issue voor de business leaders oplost op de efficiëntste en meest interpreteerbare vorm.

Stap 4: Valideren en  bepalen van business implications 
Rol translator: vormt complexe van analytics afgeleide insights om in gemakkelijk te begrijpen, bruikbare aanbevelingen die business leaders eenvoudig kunnen extraheren en uitvoeren.

Stap 5: implementatie van de oplossing en insights
Rol translator: stimuleert de acceptatie bij business leaders.

Toepassingsgebieden voor analytics translator binnen marketing
Om de verbinding tussen marketing en data science te maken, zijn er marketeers nodig die de rol van translators gaan invullen. De domeinkennis is het belangrijkst voor een translator. Het is dan ook logisch dat marketeers worden geschoold in data science om deze translatorrol te kunnen vervullen.

Wat zijn momenteel enkele toepassingsgebieden voor een translator binnen marketing?

  1. Een campagne is ontwikkeld die consumenten benadert om jouw nieuwe product te kopen. Vanwege kostenoverwegingen kun je niet iedereen benaderen en wil je alleen die consumenten met de hoogste kans op aankoop benaderen. Gebaseerd op een database van klanten met achtergrond variabelen en aankoopgedrag in het verleden kun je de groep potentiële klanten bepalen.
  2. Een bouwbedrijf heeft een database met aanbestedingen in het verleden. Deze aanbestedingen waren bij overheid en bedrijven en zijn gesplitst in succesvol en niet succesvol. Het bouwbedrijf wil graag weten of een nieuwe aanbesteding grote kans van slagen heeft. Op basis van de database is een model ontwikkeld waarmee met de gegevens van een nieuw project kan worden aangegeven hoe groot de kans op succes bij elke aanbesteding zal zijn.
  3. Een supermarkt ontvangt van klanten een bestand met productbeschrijvingsgegevens plus afbeeldingen van het betreffende product. Soms wordt bij de productomschrijvingen de verkeerde foto geleverd. De foto’s worden onder andere gebruikt in de promotiefolders. Met behulp van een algoritme kan de winkelier controleren of de foto’s die in het bestand worden aangeleverd, aan het juiste product worden toegeschreven.
  4. Een potentiële klant van een garagebedrijf is op zoek naar een nieuwe auto. Hij kan online kijken naar de prijzen, modellen, specificaties en naar financieringsmogelijkheden. Een model kan bepalen op basis van het online gedrag wanneer deze klant een digital advertentie moet ontvangen dan wel een persoonlijke uitnodiging voor een proefrit.
  5. Een bioscoop eigenaar heeft een database met loyalty cards. De loyalty card gebruikers zijn doorgaans intensieve bezoekers en krijgen korting. Je wilt actief je klanten gaan aanbevelen wat een leuke film voor hen is. Dit kan via een recommender algoritme die jouw bekeken films met andere profielen vergelijkt. De films die vergelijkbare profielen ook hebben bekeken worden jou aanbevolen. Dit soort algoritmes zijn eenvoudig te implementeren en worden in de basis ook door Netflix en Amazon toegepast.
  6.  Media-afdelingen hebben ook data science support nodig. Het werken met programmatic buying en audience targeting via DMP’s (data management-platforms) wordt voornamelijk uitgevoerd met machine learning tools. Een bedrijf heeft mensen nodig die het werk van mediabureaus kan beoordelen. Deze rol kan een translator op zich nemen.

Wil je meer weten over dit onderwerp? Ben je betrokken (of ga je betrokken worden) bij digital marketing, e-commerce of marketing binnen je organisatie? Schrijf je dan in voor de workshop De principes van Data Science voor marketingprofessionals.

22 juni | 09:00-16:00 | online event | spreker: Sjoerd Koornstra

Meer info / inschrijven

Data science in house?
Als een bedrijf in de wereld van data science stapt, lijkt het een goed idee om een data scientist aan te nemen. Toch vinden wij dat bedrijven in deze tijd geen data scientists in dienst moeten hebben. Ten eerste ben je verplicht er gebruik van te maken als je ze in dienst neemt. Misschien heb je een project dat niet hun specialisatie is. Wanneer je kunt uitbesteden, kun je het meest geschikte buro of personen voor de taak inschakelen. Je moet je ook afvragen of het aantal data science-projecten voldoende is.

Een ander aspect om te beseffen is dat meer dan 70% van de tijd een data scientist niet de gegevens analyseert, maar programmeert om de meest optimale oplossingen te krijgen. Onze verwachting is dat dit de komende jaren drastisch zal veranderen en dat de analytische software zo sterk zal evolueren dat bedrijven het grootste deel van hun tijd gaan besteden aan het uitvoeren van analyses in plaats van programmeren.

De vraag is dus: moet je mensen aannemen voor programmeren, dan wordt deze vaardigheid in de nabije toekomst misschien minder belangrijk. Al met al is het misschien beter om de flexibiliteit te hebben om uit te besteden.

Als je een data scientist aanneemt, moet je je afvragen of hij/zij op de hoogte kan blijven van de laatste ontwikkelingen. Vooral de algoritmen voor machine learning ontwikkelen snel.

Ten slotte, zelfs als je een  data scientists aanneemt, moet je ze nog steeds aansturen. Met andere woorden, je moet goede analytics translators in dienst hebben, wat een veel belangrijkere prioriteit is voor elk bedrijf.